Γενιές τεχνητής νοημοσύνης εξελίσσονται ραγδαία στην ιατρική

[διαφήμιση_1]

Προγραμματισμένη από μηχανικούς υπολογιστών στα τέλη του 20ού αιώνα, η Τεχνητή Νοημοσύνη γεννήθηκε με βάση ένα σύνολο οδηγιών (κανόνων) που δημιουργήθηκαν από ανθρώπους, επιτρέποντας στην τεχνολογία να λύσει βασικά προβλήματα.

Σημείωση του συντάκτη: Υπάρχουν πολλοί κλάδοι που επηρεάζονται από τις νέες τεχνολογίες στην εποχή της πληροφορίας. Με τον αντίκτυπο του αυτοματισμού, η επιστήμη των υπολογιστών, η τεχνητή νοημοσύνη (ΤΝ), τομείς όπως οι γιατροί, τα νοσοκομεία, οι ασφαλιστικές εταιρείες και οι κλάδοι που σχετίζονται με την υγειονομική περίθαλψη δεν αποτελούν εξαίρεση. Αλλά ιδιαίτερα, στον τομέα της υγείας , η ΤΝ έχει πιο θετικό αντίκτυπο από άλλους κλάδους.

Πρώτη γενιά

Ο τρόπος με τον οποίο εκπαιδεύεται η Τεχνητή Νοημοσύνη αυτή τη στιγμή μπορεί να θεωρηθεί παρόμοιος με την προσέγγιση των φοιτητών ιατρικής. Τα συστήματα Τεχνητής Νοημοσύνης διδάσκονται επίσης εκατοντάδες αλγόριθμους για να μεταφράζουν τα συμπτώματα των ασθενών σε διαγνώσεις. Αυτή θεωρείται η πρώτη γενιά κανόνων υγειονομικής περίθαλψης που ενσωματώνεται σε συστήματα Τεχνητής Νοημοσύνης.

Οι εφαρμογές γενετικής τεχνητής νοημοσύνης βοηθούν τους γιατρούς να ενημερώνουν τις πληροφορίες σε πραγματικό χρόνο

Οι αλγόριθμοι λήψης αποφάσεων αναπτύσσονται σαν δέντρο, ξεκινώντας από τον κορμό (το πρόβλημα του ασθενούς) και διακλαδιζόμενοι από εκεί. Για παράδειγμα, εάν ένας ασθενής παραπονεθεί για έντονο βήχα, ο γιατρός θα ρωτήσει πρώτα αν υπάρχει πυρετός. Θα υπάρχουν δύο ομάδες ερωτήσεων, πυρετός/χωρίς πυρετό. Οι αρχικές απαντήσεις θα οδηγήσουν σε περαιτέρω ερωτήσεις σχετικά με την πάθηση. Αυτό θα οδηγήσει σε περαιτέρω κλάδους. Τέλος, κάθε κλάδος είναι μια διάγνωση, η οποία μπορεί να κυμαίνεται από βακτηριακή, μυκητιακή ή ιογενή πνευμονία έως καρκίνο, καρδιακή ανεπάρκεια ή δεκάδες άλλες πνευμονικές παθήσεις.

Γενικά, η πρώτη γενιά τεχνητής νοημοσύνης μπορούσε να αναγνωρίσει προβλήματα, αλλά δεν μπορούσε να αναλύσει και να ταξινομήσει ιατρικά αρχεία. Ως αποτέλεσμα, οι πρώιμες μορφές τεχνητής νοημοσύνης δεν μπορούσαν να είναι τόσο ακριβείς όσο οι γιατροί που συνδύαζαν την ιατρική επιστήμη με τη διαίσθηση και την εμπειρία τους. Και λόγω αυτών των περιορισμών, η τεχνητή νοημοσύνη που βασίζεται σε κανόνες σπάνια χρησιμοποιούνταν στην κλινική πράξη σε άλλες περιπτώσεις.

Πλήρης αυτοματοποίηση

Στις αρχές του 21ου αιώνα, η δεύτερη εποχή της Τεχνητής Νοημοσύνης ξεκίνησε με την Τεχνητή Στενή Νοημοσύνη (ANI) ή αλλιώς την τεχνητή νοημοσύνη που επιλύει συγκεκριμένα σύνολα εργασιών. Η έλευση των νευρωνικών δικτύων που μιμούνται τη δομή του ανθρώπινου εγκεφάλου άνοιξε το δρόμο για την τεχνολογία βαθιάς μάθησης. Η ANI λειτουργεί πολύ διαφορετικά από τους προκατόχους της. Αντί να παρέχουν προκαθορισμένους κανόνες από ερευνητές, τα συστήματα δεύτερης γενιάς χρησιμοποιούν τεράστια σύνολα δεδομένων για να διακρίνουν μοτίβα που θα χρειάζονταν πολύ χρόνο στους ανθρώπους για να τα κατανοήσουν.

Σε ένα παράδειγμα, οι ερευνητές τροφοδότησαν ένα σύστημα ANI με χιλιάδες μαστογραφίες, οι μισές από τις οποίες έδειξαν κακοήθεις καρκίνους και οι μισές καλοήθεις καρκίνους. Το μοντέλο ήταν σε θέση να εντοπίσει άμεσα δεκάδες διαφορές στο μέγεθος, την πυκνότητα και τη σκίαση των μαστογραφιών, αποδίδοντας σε κάθε διαφορά έναν παράγοντα αντίκτυπου που αντανακλούσε την πιθανότητα κακοήθειας. Είναι σημαντικό ότι αυτός ο τύπος Τεχνητής Νοημοσύνης δεν βασίζεται σε ευρετικές μεθόδους (εμπειρικούς κανόνες) όπως κάνουν οι άνθρωποι, αλλά αντ' αυτού βασίζεται σε ανεπαίσθητες διακυμάνσεις μεταξύ κακοήθων και φυσιολογικών εξετάσεων που είναι άγνωστες τόσο στον ακτινολόγο όσο και στον σχεδιαστή λογισμικού.

Σε αντίθεση με την Τεχνητή Νοημοσύνη που βασίζεται σε κανόνες, τα εργαλεία Τεχνητής Νοημοσύνης δεύτερης γενιάς μερικές φορές ξεπερνούν την ανθρώπινη διαίσθηση όσον αφορά την ακρίβεια διάγνωσης. Ωστόσο, αυτή η μορφή τεχνητής νοημοσύνης παρουσιάζει επίσης σοβαρούς περιορισμούς. Πρώτον, κάθε εφαρμογή είναι συγκεκριμένη για κάθε εργασία. Δηλαδή, ένα σύστημα που έχει εκπαιδευτεί να διαβάζει μαστογραφίες δεν μπορεί να ερμηνεύσει σαρώσεις εγκεφάλου ή ακτινογραφίες θώρακος. Ο μεγαλύτερος περιορισμός της Τεχνητής Νοημοσύνης είναι ότι το σύστημα είναι τόσο καλό όσο τα δεδομένα στα οποία εκπαιδεύτηκε. Ένα σαφές παράδειγμα αυτής της αδυναμίας ήταν όταν η UnitedHealthcare βασίστηκε στην περιορισμένη Τεχνητή Νοημοσύνη για να εντοπίσει τους πιο άρρωστους ασθενείς και να τους προσφέρει πρόσθετες ιατρικές υπηρεσίες. Όταν οι ερευνητές εξέτασαν τα δεδομένα, διαπίστωσαν ότι η Τεχνητή Νοημοσύνη έκανε μια επιβλαβή υπόθεση. Οι ασθενείς διαγνώστηκαν ως υγιείς απλώς επειδή είχαν λάβει λίγη ιατρική περίθαλψη στα ιατρικά τους αρχεία, ενώ οι ασθενείς που χρησιμοποίησαν πολλή ιατρική περίθαλψη κρίθηκαν ως ανθυγιεινοί.

Οι μελλοντικές γενιές τεχνητής νοημοσύνης θα επιτρέψουν επίσης στους ανθρώπους να διαγιγνώσκουν ασθένειες και να σχεδιάζουν θεραπείες όπως ακριβώς κάθε γιατρός. Προς το παρόν, ένα εργαλείο γενετικής τεχνητής νοημοσύνης (το MED-PALM2 της Google) έχει περάσει τις εξετάσεις αδειοδότησης ιατρού με βαθμολογία εμπειρογνώμονα. Πολλά άλλα ιατρικά εργαλεία τεχνητής νοημοσύνης μπορούν πλέον να γράφουν διαγνώσεις παρόμοιες με αυτές των γιατρών. Ωστόσο, αυτά τα μοντέλα εξακολουθούν να απαιτούν την επίβλεψη ιατρού και δεν είναι πιθανό να αντικαταστήσουν τους γιατρούς. Αλλά με τον τρέχοντα εκθετικό ρυθμό ανάπτυξής τους, αυτές οι εφαρμογές αναμένεται να γίνουν τουλάχιστον 30 φορές πιο ισχυρές τα επόμενα 5 χρόνια. Οι μελλοντικές γενιές εργαλείων όπως το ChatGPT προβλέπεται να δώσουν ιατρική εμπειρογνωμοσύνη στα χέρια όλων, αλλάζοντας ριζικά τη σχέση γιατρού-ασθενούς.

Συγκεντρώθηκε από το VIET LE

[διαφήμιση_2]
Πηγή